تتميز المجموعات الكبيرة من البيانات الواقعية بوجود تباين غير متجانس (heteroskedasticity) والتوزيع غير المتوازن — حيث تختلف مستويات عدم اليقين في التسميات، وتكون توزيعات التسميات طويلة الذيل (long-tailed). يشكل التباين غير المتجانس والتوزيع غير المتوازن تحديًا كبيرًا للخوارزميات العميقة بسبب الصعوبة في التمييز بين الأمثلة التي تم تسميتها بشكل خاطئ، أو الغامضة، أو النادرة. لا يزال التصدي للتباين غير المتجانس والتوزيع غير المتوازن معًا موضوعًا غير مكتمل الاستكشاف. نقترح تقنية تحسين تعتمد على البيانات لمعالجة المجموعات ذات التباين غير المتجانس، حيث تُطبَّق عملية التحسين بشكل مختلف على مناطق مختلفة من فضاء المدخلات. مستوحاة من الاستنتاج النظري لقوة التحسين المثلى في سياق تصنيف غير بارامتري أحادي البعد، فإن منهجنا يُعدّل بشكل تكيفي من قوة التحسين بحيث تُطبَّق بشكل أكبر على نقاط البيانات الواقعة في مناطق ذات عدم يقين مرتفع وكثافة منخفضة. تم اختبار طريقة التحسين المقترحة على عدة مهام معيارية، بما في ذلك مجموعة بيانات واقعية ذات تباين غير متجانس وتوزيع غير متوازن، تُعرف باسم WebVision. تؤكد النتائج التجريبية نظريتنا، وتكشف عن تحسن ملحوظ مقارنةً بطرق أخرى في تعلم الآلة العميق المقاوم للضوضاء.